AI工程师

姓名: J女士 顾问面试: 擅长领域: 领域职位: AI工程师 最高学历: 硕士伦敦大学学院 沟通情况: 新鲜出炉

面议 目前住址: 求职区域: 考虑公司类型: 不限 考虑公司行业: 不限 接受工作强度: 不限

个人情况: 2000出生女未婚 候选人优势:

工作经验

KNGROUP-快牛智能（香港） 在职时间: 2024-11 至 2026-4 职位: AI工程师 工作职责: 负责构建实时、高吞吐的数据处理与推理流程，将用户基础信息、行为数据、交易数据、模型评分结果以及策略规则进行整合，为在线决策系统生成可直接用于推理和判断的结构化上下文数据，并通过 Hive 相关数据处理流程及 AWS云环境支持系统的稳定性与可扩展性。将 XGBoost 等机器学习模型的预测结果与规则型决策逻辑进行结合，设计并输出结构化的决策信号，包括用户分类结果、风险等级、置信度指标以及优先级评分，从而提升决策流程的一致性、自动化程度和可解释性。设计并实现轻量级的 Retrieval-Augmented Generation（RAG）风格流程，通过动态整合多源数据、模型输出和业务规则，为大语言模型提供更完整、更可靠的上下文信息，使 LLM 在生成解释和建议时能够更加贴近真实数据，减少幻觉问题，并提高输出结果的一致性。使用 SQL 与 Python 搭建可扩展的模型推理和AI辅助分析流程，并在此基础上引入 Prompt Engineering、结构化输出控制和 Schema 约束，使系统能够在大规模案例场景下稳定生成标准化、可读性强且便于业务使用的分析结果。 AI 风险决策助手—实时决策自动化系统（2026）【项目背景】：设计并搭建面向风险决策场景的AI辅助决策系统，通过整合多源业务数据、机器学习模型输出、规则策略和LLM解释能力，实现从数据输入、风险判断到结构化建议输出的自动化流程。【项目过程】：搭建AI辅助实时决策系统，将用户行为数据、模型输出和政策逻辑整合为结构化、可解释的推荐结果，并应用于50万以上申请数据的风险分析与决策支持场景。系统架构：基于SQL和Python构建高吞吐量推理流程，协调多源数据接入、模型评分、规则执行及LLM辅助推理，为实时case-level 决策提供系统化支持。上下文工程：设计轻量级RAG-style管道，整合行为、交易、模型输出及政策规则相关特征，为LLM推理提供可靠上下文，并减少无依据或前后不一致的输出。输出可靠性：实现结构化输出格式、PromptTemplate及响应校验机制，标准化LLM生成的推荐结果，提升下游系统兼容性，并将人工复核工作量降低20%以上。混合决策逻辑：将XGBoost预测结果与规则型业务逻辑结合，生成三层风险分组、置信度指标、优先级评分及可解释推荐结果，提升风险决策的一致性和可执行性。风险场景引擎—模拟与策略分析框架（2025）【项目背景】：设计离线风险场景分析引擎，用于模拟不同策略参数、用户行为变化和数据分布变化下的模型表现，帮助团队评估模型稳定性、策略有效性以及潜在风险。【项目过程】：在整体架构设计上，构建模块化的场景生成与仿真流程，使团队能够在不同参数组合、行为变化假设以及数据分布条件下，对模型输出及策略表现进行统一、可复用且具备可扩展性的系统化评估。基于SQL与Python搭建高复用性的批处理分析管道，使系统能够在大规模数据环境下高效支持多策略并行测试，同时对不同实验配置下的结果进行结构化对比分析，以提升策略验证效率与分析深度。设计多维度模型表现评估体系，涵盖数据分布漂移检测、结果敏感性追踪、模型稳定性分析以及策略效果对比等关键指标，用于识别模型在不同模拟情景下可能出现的性能下降、泛化能力减弱或风险暴露问题。在分析结果层面引入基于大语言模型的辅助解释模块，通过结构化Prompt模板对仿真输出进行自动化解读，提炼关键影响因素并生成标准化策略分析总结，从而显著提升分析结果的可读性与业务理解效率。项目结果：通过系统化情景模拟提升了对模型行为和策略表现的理解，使风险策略优化从单点结果判断转向更全面、更稳健的数据驱动评估。

Mott Macdonald- 中水北方勘测设计院借调（北京） 在职时间: 2024-4 至 2024-11 职位: ai风险工程师 工作职责: 构建结构化项目融资风险评估流程，将财务数据处理、情景建模与决策逻辑整合到统一分析框架中，用于评估项目可行性、偿付能力、现金流稳定性及对手方风险敞口。使用 Python 与 SQL 开发财务数据自动化分析管道，并引入轻量级机器学习评分逻辑，对项目风险进行分类识别，同时分析现金流、杠杆率、成本结构等因素对财务稳定性的影响。设计情景分析系统，模拟收入下降、成本上升、付款延迟等压力条件下的项目表现，从而帮助评估项目在不同风险环境中的承压能力和潜在风险暴露。应用 LLM 辅助模板，将定量分析结果、情景测试结论和风险判断转化为标准化风险摘要与建议，提升复杂分析结果对业务和管理层的可读性与沟通效率。项目融资情景建模与风险评分分析框架（2024）【项目背景】：构建一套基于人工智能的项目融资风险评估流程，将机器学习建模、情景模拟分析与基于大语言模型（LLM）的解释生成能力相结合，用于系统性评估项目融资中的风险水平及其潜在影响因素。【项目过程】：基于财务数据构建机器学习辅助的风险评分框架，将现金流、杠杆水平、还款计划、成本结构及项目进度等关键指标转化为结构化特征，实现对项目风险等级的定量划分，并识别影响项目稳定性的核心驱动因素。设计并实现情景模拟分析管道，通过构造收入下降、成本上升及付款延迟等压力测试情景，对项目在不同经济条件下偿付能力及下行风险进行模型化评估。构建融合模型输出与财务规则的混合决策逻辑，生成结构化风险信号，包括风险分层、置信度指标及关键因素归因，从而支持更加一致、可解释的风险判断与决策流程。引入基于大语言模型的解释生成模块，利用结构化Prompt模板将模型结果与情景分析输出转化为标准化风险分析文本，突出关键风险驱动因素，并生成具有可操作性的风险缓释建议。项目结果：通过将模型驱动分析与LLM自动化报告生成相结合，显著提升了项目融资风险评估的效率、一致性与可解释性，减少了人工分析成本，同时增强了决策过程的透明度与可追溯性。

蝶潮云计算科技有限公司 在职时间: 2023-4 至 2024-4 职位: 数据科学实习生 工作职责: 构建XGBoost–Logistic Regression Champion–Challenger 模型框架，通过对不同模型结构、特征组合和验证结果进行对比评估，使模型KS较基准方案提升约29%，增强预测准确性与业务决策支持能力；使用HiveSQL与Python对行为、交易和时间序列数据进行特征工程处理，构建统计聚合、时间窗口和跨类别交叉等160+ 特征变量，从而提升模型表现和解释性；设计端到端模型验证与监控框架，覆盖KS、AUC、Lift和OOT测试等核心指标，用于评估模型在不同时间周期和客户分层中的稳定性、泛化能力与上线可用性。

教育/培训经历

伦敦大学学院 时间: 2022-10 至 2024-3 硕士

利物浦大学 时间: 2018-9 至 2022-6 本科